Ofline of online: onze door instructeurs geleide trainingen over neurale netwerken laten aan de hand van interactieve discussies en praktijkoefeningen zien hoe u neurale netwerken kunt bouwen met behulp van diverse meestal open source-toolkits en -bibliotheken. Daarnaast leert u hoe u optimaal gebruik kunt maken van geavanceerde hardware (GPU’s) en optimalisatietechnieken waarbij sprake is van gedistribueerd rekenvermogen en big data. Onze trainingen over neurale netwerken zijn gebaseerd op populaire programmeertalen zoals Python, Java en de R-taal, evenals krachtige bibliotheken als TensorFlow, Torch, Caffe en Theano. We behandelen zowel de theoretische basis als de praktische implementatie van diverse types neurale netwerken, waaronder diepe neurale netwerken (DNN), convolutionele neurale netwerken (CNN) en recurrente neurale netwerken (RNN).
De trainingen over neurale netwerken zijn beschikbaar als ‘online live training’ of ‘onsite live training’. Bij online live training (ook wel ‘remote live training’ genoemd) wordt gebruikgemaakt van een interactieve extern beheerde desktop. Onsite live training kan zowel plaatsvinden op de locatie van uw organisatie in Gent als in onze eigen trainingscentra in Gent.
NobleProg – Uw lokale opleidingsaanbieder
Gent
Hotel NH Gent Belfort, Hoogpoort 63, Gent, België, 9000
Er zijn 10 zalen, waarvan 3 met natuurlijk daglicht.
De grootste zaal biedt plaats aan maximaal 400 personen in theateropstelling voor vergaderingen, maar we kunnen er ook een geweldige ruimte van maken voor een huwelijksreceptie.
En als u cocktails of een andere speciale gebeurtenis in gedachten heeft, laat ons u dan zeker onze prachtige gewelfde kelder zien
Dit door een docent geleide live-traject Gent (online of op locatie) is bedoeld voor professionals met gevorderde kennis die de nieuwste XAI-technieken willen leren toepassen op modellen in het domein van diepe leer, met als doel het ontwikkelen van uitlegbaar AI-systemen.
Aan het einde van deze training zullen deelnemers in staat zijn om:
De uitdagingen rondom uitlegbaarheid bij diepe leer te begrijpen.
Geavanceerde XAI-technieken voor neurale netwerken te implementeren.
De beslissingen van modellen in de diepe leer te interpreteren.
Het evenwicht tussen prestaties en transparantie te beoordelen.
In deze cursus 'Toegepaste AI: van de grond af aan ontwikkelen in Python' leren programmeurs en data-analisten fundamentele technieken om machine learning-oplossingen volledig zelf te bouwen met behulp van Python. Er komen de basisprincipes van supervisiede leer (classificatie en regressie), onsupervisiede leer (clustering en afwijkingendetectie) en geavanceerde neural netwerkarchitecturen aan bod. Daarnaast wordt ingegaan op beproefde methoden voor het gebruik van scikit-learn, Apache Spark MLlib en Jupyter Notebooks bij praktische AI-ontwikkeling. De cursus helpt professionals bij het implementeren van bruikbare machine learning-modellen, het evalueren van de beperkingen van algoritmen en het voltooien van toepassingsgerichte projecten die daadwerkelijke problemen oplossen.
Diep versterkt leren (Deep Reinforcement Learning, DRL) combineert de principes van versterkt leren met deep learning-architecturen. Dit stelt agenten in staat om beslissingen te nemen door te interageren met hun omgeving. Deze techniek vormt de basis voor veel moderne AI-voortgangen, zoals zelfrijdende voertuigen, robotbesturing, algoritmisch beleggen en adaptieve aanbevelingssystemen. DRL maakt het mogelijk dat een kunstmatige agent strategieën leert, beleidslijnen optimaliseert en zelfstandig beslissingen neemt op basis van proefondervindelijk leren via beloningsmechanismen.
Deze live-training onder begeleiding van een instructeur (online of ter plaatse) is bedoeld voor ontwikkelaars en datawetenschappers op middenniveau die de technieken van Diep versterkt leren willen toepassen om intelligente agenten te bouwen die zelfstandig kunnen beslissen in complexe omgevingen.
Na afloop van deze training zijn de deelnemers in staat tot:
De theoretische basis en wiskundige principes van versterkt leren begrijpen.
Belangrijke RL-algoritmen implementeren, waaronder Q-Learning, Policy Gradients en Actor-Critic-methoden.
Diep versterkte leeragenten bouwen en trainen met behulp van TensorFlow of PyTorch.
DRL toepassen in praktische situaties zoals spelletjes, robotica en optimalisatieproblemen.
Trainingprestaties troubleshooten, visualiseren en optimaliseren met moderne hulpmiddelen.
Vorm van de cursus
Interactieve lezingen en begeleide discussies.
Praktische oefeningen en implementatievoorbeelden.
Live-coderingdemonstraties en projectgerichte toepassingen.
Mogelijkheden tot aanpassing van de cursus
Wilt u een aangepaste versie van deze training? Bijvoorbeeld met gebruik van PyTorch in plaats van TensorFlow? Neem dan contact met ons op om dit te regelen.
Het begrijpen van de basisprincipes van kunstmatige intelligentie laat zien hoe deze technologie digitale strategieën, automatisering en besluitvorming binnen organisaties drastisch verandert. Deze cursus behandelt essentiële concepten zoals de geschiedenis van AI, methoden voor probleemoplossing, kennisrepresentatie, redenering onder onzekerheid en verschillende vormen van machine learning; daarnaast aandacht voor communicatie, waarneming en zelfstandige actie. U leert als manager of architect hoe u kansen op transformatie door AI kunt beoordelen, nieuwe technologische ontwikkelingen evalueren en praktische intelligente oplossingen integreren om de bedrijfsagiliteit te vergroten.
In deze cursus wordt aandacht besteed aan kunstmatige intelligentie – met name machine learning en deep learning – binnen de automobielsector. Deelnemers leren welke technologieën er zijn en hoe ze mogelijk kunnen worden toegepast in verschillende contexten in een auto: van eenvoudige automatisering en beeldherkenning tot autonome besluitvorming.
Kunstmatige neuronale netwerken (ANN's) zijn computationele modellen die worden gebruikt bij de ontwikkeling van kunstmatige intelligentiesystemen die in staat zijn tot het uitvoeren van ‘intelligente’ taken. Deze netwerken vinden veel toepassing in machine learning-toepassingen, die op hun beurt een vorm van kunstmatige intelligentie zijn. Diep leren is zelfs een onderdeel binnen machine learning.
Tijdens deze door een instructeur geleide, live-training in Gent (online of op locatie) krijgen deelnemers een introductie tot het gebied van patroonherkenning en machine learning. Er wordt aandacht besteed aan praktische toepassingen binnen statistiek, informatica, signaalverwerking, computervisie, data mining en bio-informatica.
Aan het einde van deze training zijn deelnemers in staat om:
De belangrijkste statistische methoden toe te passen op patroonherkenning.
Essentiële modellen zoals neurale netwerken en kernmethoden te gebruiken voor data-analyse.
Gevorderde technieken toe te passen bij het oplossen van complexe problemen.
De voorspellingsnauwkeurigheid te verbeteren door verschillende modellen te combineren.
Deze cursus begint met het verstrekken van conceptuele kennis over neurale netwerken en algemene machine learning-algoritmen, evenals deep learning (algoritmen en toepassingen).
Het eerste deel (40%) van deze opleiding richt zich vooral op de basisprincipes en helpt u bij het kiezen van de juiste technologie: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.
Het tweede deel (20%) introduceert Theano – een Python-bibliotheek die het eenvoudiger maakt om deep learning-modellen te ontwikkelen.
Het derde deel (40%) is in grote mate gebaseerd op TensorFlow: de API van Googles open source-softwarebibliotheek voor Deep Learning. Alle voorbeelden en praktische oefeningen zullen met TensorFlow worden uitgevoerd.
Doelgroep
Deze cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor hun deep learning-projecten.
Na afronding van deze cursus zullen de deelnemers:
een goed begrip hebben van diepe neurale netwerken (DNN), CNN’s en RNN’s
de structuur en implementatiemechanismen van TensorFlow bevatten
in staat zijn om installatie-, productie-omgevings- en architectuurtaken uit te voeren
codekwaliteit kunnen beoordelen, debuggen en bewaken
geavanceerde productiemethoden kunnen toepassen zoals het trainen van modellen, het bouwen van grafieken en logging
Lees meer...
Laatst bijgewerkt:
Getuigenissen (3)
Ik vond het echt leuk hoe we aan het einde de tijd namen om te experimenteren met CHAT GPT. De ruimte was hier niet ideaal voor ingericht - in plaats van één grote tafel zouden een paar kleinere tafels handig geweest zijn, zodat we in kleine groepjes konden brainstormen.
Nola - Laramie County Community College
Cursus - Artificial Intelligence (AI) Overview
Automatisch vertaald
Werken op basis van eerste principes op een gefocuste manier, en overgaan naar het toepassen van casestudies binnen dezelfde dag
Maggie Webb - Department of Jobs, Regions, and Precincts
Cursus - Artificial Neural Networks, Machine Learning, Deep Thinking
Automatisch vertaald
Dat het echte bedrijfsgegevens gebruikte.
De trainer had een zeer goede benadering door de deelnemers te laten meedoen en tegen elkaar aan treden
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Neural Networks training cursus in Gent, Neural Networks opleiding cursus in Gent, Weekend Neural Networks cursus in Gent, Avond Neural Networks training in Gent, Neural Networks instructeur geleid Gent, Neural Networks instructeur geleid in Gent,Neural Networks lessen in Gent, Neural Networks on-site in Gent, Avond Neural Networks cursus in Gent, Neural Networks coaching in Gent, Neural Networks boot camp in Gent, Neural Networks een op een opleiding in Gent, Neural Networks een op een training in Gent, Neural Networks op locatie in Gent, Weekend Neural Networks training in Gent, Neural Networks privé cursus in Gent, Neural Networks trainer in Gent, Neural Networks instructeur in Gent
